GPT-4不是世界模型 ACL力证LLM永远无法模拟世界

最近，亚利桑那大学、微软、霍普金斯大学等机构联合发布了一篇论文，从实证的角度得出了否定的结论。

最新研究已被ACL 2024顶会接收。

论文地址：https://arxiv.org/pdf/2406.06485

研究发现，GPT-4在模拟基于常识任务的状态变化时，比如烧开水，准确度仅有60%。

论文认为，尽管GPT-4这样的模型表现很惊艳，但如果没有进一步创新，它就不能成为可靠的世界模型。

为了量化LLM的规划能力，作者提出了一个全新的基准测试——bytesized32-state-prediction，并在上面运行了GPT-4模型。

基准测试的代码和数据也已经在GitHub上开源，可以帮助未来的研究继续探查LLM的能力优缺点。

https://github.com/cognitiveailab/GPT-simulator

一向对自回归语言模型无感的LeCun也转发了这篇论文。

他用了非常强硬的语气表示，“没有世界模型，就没有规划能力”。

虽然如此，只凭一篇论文又怎么能平息LLM界的重大分歧？支持语言模型的网友很快就在评论区下面反驳LeCun——

网友：目前的LLM能达到约60%的准确率（不专门为任务进行训练），这至少是某种“世界模型”了，而且每一代LLM都在提升。

LeCun：世界模型不会是LLM。

网友：也许吧。但这并不意味着LLM内部不存在某种（不准确的）世界模型。

不过，在Hinton看来，AI已经不再是仅仅依赖于过去，基于统计模型做下一个token的预测，而是展现出更高的“理解”能力。

然而，大模型想要成为世界终极模拟器，还很远。

LLM是“世界模拟器”吗？

模拟世界，对于AI学习和理解世界至关重要。

以往，多数情况下，可用模拟的广度和深度受到现实的限制。因需要人类专家耗费数周，甚至数月的时间做大量的工作。

而现在，大模型提供了一种替代的方法，即通过预训练数据集中大量知识，获得对世界的深刻理解。

但是，它们准备好，直接用作模拟器了吗？

对此，这项研究的团队在“文本游戏”这一领域，来检验这一问题。

一般来说，在世界建模和模拟的背景下，应用LLM有两种方式：一是神经符号化方法；二是直接模拟。

论文中，作者们首次对LLM直接模拟虚拟环境的能力，进行了量化分析。

他们利用JSON模式的结构化表示作为脚手架（scaffold），不仅提高了模拟精度，还可以直接探查LLM在不同领域的能力。

结果发现，GPT-4普遍无法捕捉与智能体行为无直接关联的“状态转移”（state transition）。

甚至还包括，涉及算术、常识，或科学推理的状态转移。

在各种不同条件下，对于模拟一些复杂环境变化时，GPT-4的准确率不及59.9%。

同时也表明，LLM还不足以可靠地充当世界模拟器。

那么，研究人员具体如何实现的？

研究方法

在文本环境中，智能体通过自然语言，完成特定的目标。

他们将文本的虚拟环境形式化，建模为一种马尔可夫决策过程（POMDP），共有7个元组：S, A, T , O, R, C, D。

其中，S表示状态空间，A表示行动空间，T:S×A→S表示状态转移函数，O表示观测函数，R:S×A→R表示奖励函数，C表示用自然语言描述目标和动作语义的“上下文信息”，D:S×A→{0,1}表示二元指示函数，用0或1标记智能体是否完成任务。

其中，上下文C为模型提供了除环境外的额外信息，比如行动规则、物体属性、打分规则和状态转换规则等等。

然后，研究人员还提出了一个预测任务，称为LLM-as-a-Simulator（LLM-Sim），作为定量评估大模型作为可靠模拟器的能力的一种方法。

LLM-Sim任务被定义为实现一个函数

作为世界模拟器，将给定的上下文、状态和动作（即

）映射到后续的状态、奖励和游戏完成状态（即

）。

每个状态转移用如下的九元组表示：

实际上，整个状态转换模拟器F，应该考虑两种类型的状态转移：行为驱动和环境驱动的转移。

对于图1中的示例，行为驱动的状态转移是在执行“打开水槽”动作后，水槽被打开。而环境驱动的转移是，当水槽打开时，水将填满槽中的杯子。

此外，LLM的预测模式也分为两种：预测下一步的完整状态，或者预测两个时刻之间的状态差。

为了更好地理解LLM对于每种状态转移的建模能力，研究人员进一步将模拟器函数F分解为三种类型：

评估结果

建模了LLM的决策过程后，作者也同样用文本构建了一个虚拟人物场景。

Bytesized32-SP基准测试的数据来源于公开的Bytesized32语料库，其中有32个人类编写的文字游戏。

留出一个游戏作为gold label后，测试集总共涉及31个游戏场景，7.6万多个状态转换。

LLM根据上下文和前一个状态进行单步预测，给出下一步时的物体属性、任务进展等信息。

规则方面，研究人员也提出了三种设定：由游戏作者撰写、由LLM自动生成，或者根本不提供规则。

设定好虚拟环境和任务规则后，作者运行GPT-4进行预测得到了如下结果。

为了严谨起见，作者根据状态转移前后预测结果是否变化，分成static和dynamic两类分开统计。如果前后两个状态中，结果并没有发生变化，LLM也会更容易预测。

不出意料，static一栏的准确率基本都高于dynamic。

对于“静态”转移，模型在预测状态差时表现更好。“动态转移”则相反，在完整状态预测中得分更高。

作者猜测，这可能是由于预测状态差时需要减少潜在的格式错误，这会为任务输出带来额外的复杂性。

还可以看到，预测动作驱动的状态转移的准确率往往高于环境驱动类。在dynamic栏，前者预测最高分有77.1，而后者最高只有49.7。

此外，游戏规则如何制定会很大程度上影响LLM的表现。

如果不提供游戏规则，LLM预测的性能会有明显的大幅下降，但规则由人类制定或LLM自动生成并不会显著影响准确率。

相比之下，规则制定对游戏进度预测的影响更加明显。

相比人类规则，LLM生成规则时，GPT-4的预测有超过10个百分点的提升。难道真的是LLM之间更能相互理解？

以上结果都只是针对LLM在不同设定下的性能比较。和人类预测相比，结果如何呢？

为此，4位论文作者亲自上阵和GPT-4一较高下。

不知道李世石看到这个结果会不会有所安慰。人类的总体准确率在80%左右，远高于GPT-4在50%附近徘徊的成绩，这显示了规划能力上的重大差距。

对于规划任务中的单步预测模型，每一步的模拟误差都会累积并向后传播，单步的低性能会很大程度上影响全局表现。

因此LLM较低的准确率说明了，它并不能成为可靠的“文本世界模拟器”。

此外，人类准确率的波动幅度基本不大，说明任务设定比较简单、直接，适合人类的思维模式。

GPT-4这种较差的性能表现给我们提供了一个宝贵的机会，可以更具体地剖析LLM究竟在哪方面出现了能力缺陷。

因此，论文作者将LLM的预测结果拆开仔细分析，发现在二元布尔值属性上（is开头的属性），模型通常可以做得很好。

预测表现比较糟糕的，通常是一些非平凡属性，比如需要算术运算的temprature（温度）、需要常识的current_aperture（当前照相机光圈），或者需要科学知识的on（灯泡是否打开）。

相比之前的基准测试，这似乎更准确地暴露了LLM在常识和科学推理方面的缺陷。

此外，这也能反映出模型一些行为的“偏执”之处。

在进行完整预测时，它通常过于关注动作驱动的状态转移而忽略了环境驱动，出现了很多“未改变值”的错误。但是可以在分开预测的结果中看到，这些错误是本可以避免的。

作者提出，这篇文章的局限性之一是只使用了GPT模型进行测试，也许其他模型可以有不同的表现。

这项研究的意义更在于基准测试的提出，为探索LLM在“世界模拟器”方面的潜力提供了一套可行的问题形式定义和测试流程。

参考资料：

https://x.com/ylecun/status/1801978192950927511

https://arxiv.org/pdf/2406.06485